# AI Pokretan Upravitelj Ugovornih Obveza u Stvarnom Vrijemenu s Automatskim Upozorenjima o Obnavljanju

> **TL;DR** – Generativni AI motor može pročitati svaki ugovor dobavljača, izvući datume, metrike izvedbe i klauzule usklađenosti, pohraniti ih u graf znanja i poslati pametna upozorenja o obnovi ili kršenju pravim dionicima prije nego što se ikakav rok propusti.

---

## 1. Zašto je Praćenje Ugovornih Obveza Važno Danas

SaaS dobavljači sklapaju desetke ugovora svaki kvartal – licence, ugovore o razini usluge ([SLA‑ovi](https://www.ibm.com/think/topics/service-level-agreement)), dodatke za obradu podataka i ugovore o preprodaji. Svaki od tih dokumenata sadrži obveze koje su:

| Vrsta Obveze | Tipični Utjecaj | Uobičajeni Način Neuspjeha |
|--------------|----------------|----------------------------|
| **Datumi obnove** | Kontinuitet prihoda | Propuštena obnova → prekid usluge |
| **Klauzule o privatnosti podataka** | Usklađenost s [GDPR‑om](https://gdpr.eu/)/[CCPA‑om](https://oag.ca.gov/privacy/ccpa) | Kašnjenje u izmjeni → kazne |
| **Metrike izvedbe** | Sankcije iz SLA‑a | Nedostatak isporuke → zahtjevi za kršenje |
| **Prava na reviziju** | Sigurnosna postura | Neplanirana revizija → pravni trenuci |

Ljudski timovi ručno prate ove stavke u proračunskim tablicama ili alatima za ticketiranje, što dovodi do:

* **Niske vidljivosti** – obveze su skrivene u PDF‑ovima.  
* **Odgođenog odgovora** – upozorenja se pojave tek nakon što je rok prošao.  
* **Pukotina u usklađenosti** – regulatori sve više provjeravaju ugovorne dokaze.

**Upravitelj obveza u stvarnom vremenu, pokretan AI‑jem**, uklanja ove rizike pretvarajući statične ugovore u životni compliance resurs.

---

## 2. Osnovna Načela Motora

1. **Generativno Izvlačenje** – Veliki jezični modeli (LLM‑i) fino podešeni na pravnom jeziku prepoznaju rečenice obveza, datume i uvjete s > 92 % F1 rezultatom.  
2. **Graf‑temeljena Kontekstualizacija** – Izvučeni podaci pohranjuju se kao čvorovi/poveznice u **Dinamičkom Grafu Znanja** (DKG) koji povezuje obveze s dobavljačima, kategorijama rizika i regulatornim okvirima.  
3. **Prediktivno Upozoravanje** – Modeli vremenskih serija predviđaju vjerojatnost kršenja na temelju povijesne izvedbe, automatski eskalirajući stavke visokog rizika.  
4. **Zero‑Trust Verifikacija** – Tokeni dokaza bez znanja (ZKP) potvrđuju da rezultat izvlačenja obveze nije mijenjan prilikom dijeljenja s vanjskim revizorima.  

Ovi stupovi osiguravaju da je motor **točan, revizorski i neprestano samoučiteljski**.

---

## 3. Pregled Arhitekture

Ispod je pojednostavljen end‑to‑end protok. Dijagram je napisan u Mermaid sintaksi, što ga čini jednostavnim za umetanje u Hugo stranice.

```mermaid
graph LR
    A["Skladište Ugovora (PDF/Word)"] --> B["Usluga Pre‑obrade"]
    B --> C["LLM Izvlačeć Obveza"]
    C --> D["Semantički Normalizator"]
    D --> E["Dinamički Graf Znanja"]
    E --> F["Motor Ocjenjivanja Rizika"]
    E --> G["Usluga Kalendara Obnova"]
    F --> H["Prediktivni Dispečer Upozorenja"]
    G --> H
    H --> I["Centar Notifikacija Dionicima"]
    I --> J["Revizijski Dnevnik (Neizmjenjivi Ledger)"]
```

*Sve oznake čvorova su u navodnicima prema zahtjevu.*

### Razlaganje Komponenti

| Komponenta | Uloga |
|-----------|------|
| **Usluga Pre‑obrade** | OCR, detekcija jezika, čišćenje teksta. |
| **LLM Izvlačeć Obveza** | Promt‑inženjering GPT‑4‑Turbo varijante fino podešene na korpusu ugovora. |
| **Semantički Normalizator** | Mapira sirove fraze (“shall provide quarterly reports”) na kanoničku taksonomiju. |
| **Dinamički Graf Znanja** | Neo4j‑graf koji pohranjuje odnose `<Dobavljač> -[IMA_OBVEZU]-> <Obveza>`. |
| **Motor Ocjenjivanja Rizika** | Gradient‑boosted model procjenjuje vjerojatnost kršenja koristeći povijesne KPI podatke. |
| **Usluga Kalendara Obnova** | Mikro‑usluga kalendara (Google Calendar API) koja kreira proaktivne događaje 90/30/7 dana prije datuma dospijeća. |
| **Prediktivni Dispečer Upozorenja** | Kafka‑pogonjen usmjerivač događaja koji isporučuje upozorenja putem Slacka, e‑maila ili ServiceNow‑a. |
| **Centar Notifikacija Dionicima** | UI baziran na rolama izgrađen u React + Tailwind, koji izlaže nadzornu ploču u stvarnom vremenu. |
| **Revizijski Dnevnik** | Hyperledger Fabric lanac koji pohranjuje kriptografske hash‑e svakog pokretanja izvlačenja. |

---

## 4. Detalji Izvlačenja – Cjevovod

### 4.1 Unos Teksta i Normalizacija

1. **OCR Motor** – Tesseract s jezičnim paketima obrađuje skenirane PDF‑ove.  
2. **Chunking** – Dokumenti se dijele u prozore od 1 200 tokena kako bi se poštovali kontekstni limiti LLM‑a.  
3. **Obogaćivanje Metapodataka** – ID dobavljača, verzija ugovora i izvorni sustav se dodaju kao skriveni tokeni.

### 4.2 Promt‑inženjering za Detekciju Obveza

```text
You are a contract analyst. Extract every clause that creates an obligation for the vendor. Return JSON with fields:
- obligation_id
- type (renewal, privacy, performance, audit, etc.)
- description (exact clause text)
- effective_date
- due_date (if any)
- penalty_clause (if any)
Only output JSON.
```

Model vraća strukturirani niz koji se odmah provjerava prema JSON shemi.

### 4.3 Semantička Normalizacija i Mapiranje Ontologije

**Domenska ontologija** (temeljena na [ISO 27001](https://www.iso.org/standard/27001), [SOC 2](https://secureframe.com/hub/soc-2/what-is-soc-2) i [GDPR](https://gdpr.eu/)) mapira slobodan jezik na standardizirane oznake:

```
"provide quarterly security reports"   →   TAG_SECURITY_REPORTING_QTR
"must notify breach within 72 hours"   →   TAG_BREACH_NOTIFICATION_72H
```

Mapiranje koristi lagani **BERT‑bazirani sličnostni skorer** fino podešen na 10 k označenih klauzula.

### 4.4 Umetanje u Graf Znanja

Svaka klauzula postaje čvor:

```
(:Obligation {id:"O-12345", type:"renewal", due:"2027-01-15", text:"...", risk_score:0.12})
(:Vendor {id:"V-67890", name:"Acme SaaS"})
(:Obligation)-[:BELONGS_TO]->(:Vendor)
```

Graf upiti mogu trenutano dohvatiti “sve nadolazeće obnove za dobavljače u EU regiji”.

---

## 5. Mehanika Prediktivnog Upozoravanja

1. **Prognoza Vremenskih Serija** – Prophet modeli predviđaju trend izvedbe za obveze povezane s KPI‑ima (npr. dostupnost).  
2. **Pragovi Rizika** – Poslovna pravila definiraju niske/srednje/visoke rizike.  
3. **Generiranje Upozorenja** – Kada `risk_score > 0.7` **ili** `days_to_due <= 30`, događaj se šalje u Kafka.  
4. **Matrica Eskalacije** – Upozorenja se automatski rutiraju:
   * **30 dana** → Menadžer Dobavljača (e‑mail)  
   * **7 dana** → Pravna Savjetnica (Slack)  
   * **0 dana** → Izvršni C‑Level (SMS)  

Sva upozorenja nose **ZKP potvrdu** koja dokazuje da originalno izvlačenje nije izmijenjeno.

---

## 6. Kvantificirane Prednosti

| Metrika | Prije AI (ručno) | Nakon AI (12‑mjesečni pilot) | Δ |
|---------|------------------|------------------------------|---|
| **Stopa propuštenih obnove** | 4,8 % | 0,3 % | **‑93 %** |
| **Prosječno vrijeme otkrivanja kršenja** | 45 dana | 5 dana | **‑89 %** |
| **Napori za reviziju usklađenosti** | 120 h/kvartal | 18 h/kvartal | **‑85 %** |
| **Prihod u riziku (zbog propuštenih obnove)** | 1,2 M $ | 0,07 M $ | **‑94 %** |

Rezultati proizlaze iz **AI‑pokretanog, real‑time pristupa** – nema više “jednogodišnjih” ažuriranja proračunskih tablica.

---

## 7. Vodič za Implementaciju

### Korak 1 – Uvoz Podataka
- Migrirajte sve postojeće ugovore u sigurno objektno skladište (npr. S3 s SSE‑KMS).  
- Označite svaki dokument ID‑om dobavljača, tipom ugovora i verzijom.

### Korak 2 – Fino Podešavanje Modela
- Koristite kurirani skup od 15 k anotiranih klauzula.  
- Provedite 3 epoch fine‑tuning na Azure OpenAI; validirajte na odvojenom setu od 2 k uzoraka.

### Korak 3 – Dizajn Šeme Grafa
- Definirajte tipove čvorova (`Vendor`, `Obligation`, `Regulation`) i semantiku veza.  
- Postavite Neo4j Aura ili vlastiti klaster s RBAC‑om.

### Korak 4 – Motor Pravila Upozorenja
- Kreirajte pragove rizika u YAML pravilu i učitajte ih u servis ocjenjivanja rizika.  
- Integrirajte Kafka Connect za slanje događaja na postojeći ServiceNow incident board.

### Korak 5 – Dashboard i UX
- Izgradite React dashboard koji prikazuje **Kalendar Obnova**, **Heatmap Rizika** i **Stablo Obveza**.  
- Implementirajte kontrolu pristupa po ulogama (RBAC) koristeći OAuth2.

### Korak 6 – Revizija i Upravljanje
- Generirajte SHA‑256 hash‑e svakog pokretanja izvlačenja; učvrstite ih na Hyperledger Fabric.  
- Povremeno provodite **Human‑in‑the‑Loop** provjeru gdje pravni recenzent validira nasumični 5 % uzorak.

### Korak 7 – Kontinuirano Učenje
- Prikupljajte ispravke recenzenata kao označene podatke.  
- Zakazujte mjesečne pipeline‑ove re‑treninga modela (Airflow DAG) radi poboljšanja točnosti izvlačenja.

---

## 8. Proširenja za Budućnost

| Proširenje | Vrijednosna Ponuda |
|------------|-------------------|
| **Federirano Učenje među tenantima** | Poboljšava robusnost modela bez dijeljenja sirovih ugovora. |
| **Generiranje Sintetičkih Klauzula** | Automatski kreira “what‑if” scenarije za testiranje utjecaja kršenja. |
| **Ugrađeno Privatnost‑čuvajuće Računanje** | Homomorfno šifriranje omogućuje međusobno uspoređivanje obveza između tvrtki. |
| **Digitalni Blizanac Regulatora** | Zrcali nadolazeće zakonske promjene (npr. EU Data Act) za prognozu potreba za izmjenom ugovora. |

Ove stavke roadmapa održavaju platformu usklađenom s novim **RegTech** standardima i zahtjevima višestrukog oblaka.

---

## 9. Potencijalni Problematični Trenuci i Strategije Ublažavanja

| Problem | Ublažavanje |
|---------|------------|
| **Halucinacije pri izvlačenju** – LLM može izmišljati datume. | Prisilna validacija JSON sheme; odbaciti bilo koji izlaz koji ne zadovoljava regex za datum `\d{4}-\d{2}-\d{2}`. |
| **Drift grafa** – Čvorovi zastarijevaju kako se ugovori zamjenjuju. | Implementirati verzionirani graf model; deprecirati stare čvorove s `valid_until` timestampom. |
| **Umor od upozorenja** – Previše upozorenja niske ozbiljnosti. | Korištenje adaptivnog throttlinga temeljenog na metrikama interakcije korisnika (click‑through, snooze). |
| **Usklađenost s rezidencijom podataka** – Pohranjivanje ugovora u javnom oblaku. | Upotrijebiti regijski zaključano skladište i enkripciju u mirovanju s ključevima koje upravlja kupac. |

---

## 10. Zaključak

**AI Pokretan Upravitelj Ugovornih Obveza u Stvarnom Vrijemenu** pretvara statičke pravne dokumente u dinamični compliance resurs. Kombinirajući LLM‑izvlačenje, graf‑temeljenu pozadinu, prediktivno modeliranje rizika i kriptografske revizijske zapise, organizacije mogu:

* **Nikada ne propustiti obnovu** – osigurana kontinuitet prihoda.  
* **Proaktivno upravljati rizikom od kršenja** – regulatori vide kontinuirane dokaze.  
* **Smanjiti ručni napor** – pravni timovi se fokusiraju na strategiju, ne na unos podataka.  

Usvajanje ovog motora postavlja SaaS tvrtku na čelo **RegTech zrelosti**, donoseći mjerljive smanjenje rizika uz skaliranje ekosustava dobavljača.